专利名称：基于rs-cmac的功率电子电路在线智能故障预测方法
技术领域：
本发明公开了基于RS-CMAC的功率电子电路在线智能故障预测方法，属于功率电子电路故障测试的技术领域。
背景技术：
机载功率电子装置中的功率电路都是由功率元件构成，当置于一定的空间环境中时，其元件除遭受高频启动/停止操作和过压、过流操作外，其性能也极易受到外界的机械压カ(冲击)、EMI、环境温/湿度、盐碱度等应カ的影响，这可能会造成器件參数的变化，如果变化较大超过了允许的范围，则往往会导致电路输出性能的恶化(例如波形质量变差，THD 増加等)，甚至造成输出功能失效，严重威胁飞行安全并最终影响飞行任务的顺利执行。机载功率电子装置必须具备高可靠性，若功率电子装置出现故障情况而未及时检测，则可能会导致飞行控制系统失效、严重影响飞行器本身的安全，后果不堪设想。机载电源设备的高可靠性、强生存力、自主诊断和健康管理是迫切需要研究解决的技术难题，也一直受到了世界上各个军事大国的极大重视，是目前国际上的学术研究前沿与热点之一。目前，针对功率电子电路的故障预测方法主要分三种(1)基于故障物理模型的方法；(2)基于内建“损伤标尺”的方法；(3)基于数据驱动的方法。基于模型的方法，需要建立系统精确模型及深入了解系统工作机理。基于损伤标尺的预测方法，是针对ー种或多种故障机理，以被监控产品相同的エ艺过程制造出来的预期寿命比被监控对象短的产品，设计预兆単元与主器件、电路、系统集成在一起，使其按ー定的机理在主电路或系统失效前提前失效，从而为宿主电路与系统的失效提供预警。基于数据驱动的方法，即对现场监控得到的数据进行异常及其趋势检测或模式检测，确定系统的健康状态，然后使用趋势分析结果来估计系统的故障发生时间。该方法无需了解电路内部物理结构，适用于复杂系统预测，应用范围广，使得实时在线预测成为可能。现阶段，功率电子电路故障预测多为电路中关键元器件的预测，选用故障特征參数多为元器件的參数，而对电路整体的故障预测研究很少。近年来，人工智能在预测领域发展迅猛。结合现有文献和专利技木，电子电路的故障预测中，常用的人工智能方法包括神经网络、专家系统、灰色系统、粒子滤波器、回归树、支持向量机等。人工智能方法的特点是学习能力强、无需建立精确的数学模型，其主要不足是存在知识获取的瓶颈问题，且知识难以维护、知识的“组合爆炸”和“无穷递归”、系统本身自适应能力与学习能力存在不同程度的局限性等大大影响了故障预测的准确性。其中，ネ申经网络对观测序列没什么限制，它几乎可以对所有的时间序列进行分析。特别是神经网络的非线性映射能力，使得它能够广泛应用在非线性系统预测中。粗糙集(Rough Sets, RS)理论是由波兰学者Pawlak于1982年提出的，作为ー种刻画具有不完整性和不确定性信息的全新的数学工具，已经成为人工智能领域的ー个新的学术热点，国外已经利用其取得不少成果，国内研究尚处于起步阶段。粗糙集数据分析((Rough Sets Date Analysis, RSDA)是ー种以RS为基础的，分析数据之间相关性和依赖性的ー种符号方法。利用它可以从数据中提取规则，从而进行预测和决策。小脑模型神经网络CMAC(CerebellarModel Articulation Controller,CMAC)是Albus提出的一种模仿脑连接的控制器。它学习速度快，且克服了 BP网络的局部最优问题。近年来，CMAC广泛应用于实时控制、模式识别等领域。CMAC为前馈神经网络，是ー种表达复杂非线性函数的表格查询型自适应神经网络，由于基于局部学习，因此每次修正的权很少，学习速度快，适用于实时预测；具有连续模拟输入输出能力，泛化能力优于一般的神经网络，因此具有更好的非线性逼近能力，适合于功率电子电路复杂动态的非线性特点。然而由于普通CMAC模型的基等于1，因此其泛化能力受到影响。后来ー些研究者提出了 FuzzyCMAC0但是不论是基本的CMAC模型，还是模糊CMAC模型，当样本输入维数较大时，需要的计算量是惊人的。目前，结合针对采用小脑神经网络预测功率电子电路故障，存在计算量大的问题，还没有学者提出结合粗糙集数据分析的方法、小脑神经网络预测方法来预测功率电子电路故障。

发明内容
本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于RS-CMAC的功率电子电路在线智能故障预测方法。本发明为实现上述发明目的采用如下技术方案基于RS-CMAC的功率电子电路在线智能故障预测方法，包括如下步骤步骤1，由待测功率从电子电路选择测量节点，在线监测所述测量节点的电压、电流ィ目号;步骤2，对步骤I中所述的测量节点的电压、电流信号做小波阈值处理，得到故障特征样本；步骤3，从步骤2所述的故障特征样本提取电路性能參数，得到电路性能參数向量;步骤4，结合RS理论以及CMAC预测方法对步骤3所述的电路性能參数向量进行趋势预测，得到未来时刻电路性能參数的时间序列；步骤5，每过ー个采样周期，重复步骤I至步骤4，根据实时更新的电路性能參数向量得到电路性能參数的时间序列；步骤6，利用步骤5所述电路性能參数的时间序列计算电路健康指标，井比较计算得到的电路健康指标以及电路健康阈值，继而判定电路的健康状況。所述基于RS-CMAC的功率电子电路在线智能故障预测方法中，步骤4的具体实施方法为针对电路性能參数向量中的每ー个电路性能參数建立ー个RS-CMAC模型；根据RS理论得到电路性能參数的映射规则库；按照映射规则库预测未来时刻电路性能參数的时间序列。本发明采用上述技术方案，具有以下有益效果结合了粗糙集理论，以及CMAC模型，利用粗糙集数据分析方法简化了 CMAC模型的输入数据，提高了功率电子电路故障分析的效率。


图I为基于RS-CMAC的功率电子电路在线智能故障预测方法的流程示意图。图2为小波阈值去噪的流程图。图3为RS-CMAC模型映射示意图。图4为buck电路的示意图。
具体实施例方式下面结合附图对发明的技术方案进行详细说明如图I所示，利用基于RS-CMAC的功率电子电路在线智能故障预测方法预测如图4所示的buck电路故障。包括如下步骤 步骤1，由待测功率从电子电路选择测量节点，在线监测所述测量节点的电压(输入电压Ui、输出电压U。)信号、电流(输出电流I。)信号。步骤2，利用如图2所示的小波阈值去噪方法，对步骤I中所述输入电压Ui、输出电压U。、输出电流I。做小波阈值处理，得到故障特征样本U' i、U,。、1'。。步骤3，从步骤2所述的故障特征样本提取电路性能参数，得到电路性能参数向量(X1, X2,, Xi, . . . , XpI, 1=1, 2，. . .，P, P为电路性能参数的个数。提取的电路性能参数是反映电路健康状况的参数，包括输出平均电压、输出平均电流、输出功率、输入功率、效率、输出电压纹波、输出电压纹波比等，具体电路性能参数的个数取决于具体功率电子电路。本例中提取在电路失效过程中变化明显的输出电压纹波比δ作为buck电路电路
性能参数。其中，·5=|χ1()()%，υΡΡ为输出电压纹波。由故障特征样本U' i、U'。、1'。
uO
得到输出电压纹波比S的时间序列δ2、…δη。步骤4，结合RS理论以及CMAC预测方法对步骤3所述的电路性能参数向量进行趋势预测，得到未来时刻的电路性能参数向量。如图3所示，针对电路性能参数向量Ix1, χ2，. · .，Xi，. · .，χρ}中的每一个电路性能参数建立一个RS-CMAC模型。每一个RS-CMAC模型包括4层结构，其映射算法如下第I层为输入层输入电路性能参数Xi的一段时间序列(-1 ，…4，…，4)，j=l，2，…，m。设第一层共有m个节点，第j个节点对应输入向量的第j个时间序列分量Xijt5第2层中，每个节点代表一条规则，这些规则是基于粗糙集理论对数据集进行约简后，然后进行规则提取得到的。该层节点与第一层和第三层节点之间的连接取决于节点所表示的规则，即第二层的每个节点与第一层节点的连接表示规则的条件部分；与第三层节点的连接表示规则的结论部分。如果该节点表示一条最复杂的规则，那么它可能与第一层中的η个节点相连，且n〈m(m为第一层总的节点数)。该层节点的作用函数为a i=xn · xi2 · Λ · xic(l彡i彡k)。其中，Xil · Xi2 · Λ · Xic表示与该节点连接的第一层节点的输入值，c为与该节点连接的第一层节点的数目，k为规则的条数。第3层是输出的不可分辨划分，由于第二层节点表示精简后的规则，因此该层的节点可以与第三层对应的O个或多个节点相连，该层神经元的作用公式为
qΑ=Σ m^1("
/=I
其中，I为第三层的节点数，q为第二层的节点数，Wsi为连接权值，将其初始值预先设定为各规则的置信度。第4层，第四层为输出层。该层节点输出为y= Σ wiy/ j(2)。在这一层中，只有被激活的k个神经元的连接权Wi得到修正(i = 1，2，…，k)。学习算法采用BP算法。当网络输入为X时，设y为CMAC的实际输出，yd为相应的期望输出，
误差目标函数为A，从而
SEQE+ WfU)-β—(3) OW-OWi其中，β是学习速率，在训练时是一个常数，取值(范围O I)随训练速度不同而不同。将电路性能参数Xi (i = 1，2，…，P)连续m个时刻的时间序列{xn，xi2，…，xjRS-CMAC模型的输入；利用RS-CMAC对{xn，xi2,…，xim}进行前向k步预测，得到未来一段时
间电路的性能参数{Xi,m+1，Xi,m+2,…，Xi,m+k}。而在本例子中，将(Tn时刻的δ i、δ 2、…δ η作为RS-CMAC网络的输入，为测试数据。RS-CMAC网络共有四层，第一层为输入层，节点数设为η。第二层分别将η个输入量离散化后，按照不可辨关系进行划分，得到^个不同的值。定义该层神经元的作用函数为Gauss
函数< =￡> 其中，i = 1，2，…，n;j = l,2, ···,!>该层的输出个数为。第三层
计算每条规则的适用度μ 10如果规则的适用度μ I ^ Y，则该节点的输出为=Vi=CIi · μ 1 其中，a i表示该层节点的作用函数a Fxil · χ 2 · Λ · xic;(l彡i彡k), Y为选定的常数。
η
否则删除该节点。该层神经元的个数为。第四层对于选定的I条规则激活相连接的权
/二 i
空间Wi,被激活的I个神经元的连接权Wi得到修正，学习算法采用BP算法。fj = Σ w,r,，j
/=1
= 1,2，···，k，为前向k步预测的结果，即δη+1、δη+2、…5n+k步骤5，每过一个采样周期，重复步骤I至步骤4，根据实时更新的电路性能参数向量得到电路性能参数的时间序列。离线训练RS-CMAC网络，训练数据为故障仿真数据或故障经验数据。步骤6，利用步骤5所述电路性能参数的时间序列计算电路健康指标，并比较计算得到的电路健康指标以及电路健康阈值，继而判定、输出电路的健康状况。设电路正常工作时允许的输出电压纹波比为5%，则可由未来时刻的δη+1、δη+2、…δη+1 与阈值5%进行比较，当δ η+1> δ η+2>…δ n+k大于阈值5%时,表不buck电路故障；否则，buck电路正常。综上所述，本发明结合了粗糙集理论，以及CMAC模型，利用粗糙集数据分析方法简化了 CMAC模型的输入数据，提高了功率电子电路故障分析的效率。上述buck电路的实施例仅为本发明的一个具体实施例，根据实际运用中功率电子电路的复杂程度，选择的电路性能参数个数有所不同，但预测故障的方法是相同的。因此，凡是本领域所述的功率电子电路均可以用本发明的方法进行故障预测。
权利要求
1.基于RS-CMAC的功率电子电路在线智能故障预测方法，其特征在于包括如下步骤 步骤1，由待测功率从电子电路选择测量节点，在线监测所述测量节点的电压、电流信号; 步骤2，对步骤I中所述的测量节点的电压、电流信号做小波阈值处理，得到故障特征样本； 步骤3，从步骤2所述的故障特征样本提取电路性能參数，得到电路性能參数向量；步骤4，结合RS理论以及CMAC预测方法对步骤3所述的电路性能參数向量进行趋势预测，得到未来时刻电路性能參数的时间序列； 步骤5，每过ー个采样周期，重复步骤I至步骤4，根据实时更新的电路性能參数向量得到电路性能參数的时间序列； 步骤6，利用步骤5所述电路性能參数的时间序列计算电路健康指标，井比较计算得到的电路健康指标以及电路健康阈值，继而判定电路的健康状況。
2.根据权利要求I所述的基于RS-CMAC的功率电子电路在线智能故障预测方法，其特征在于所述步骤4的具体实施方法为针对电路性能參数向量中的每ー个电路性能參数建立ー个RS-CMAC模型；根据RS理论得到电路性能參数的映射规则库；按照映射规则库预测未来时刻电路性能參数的时间序列。
全文摘要
本发明公开了基于RS-CMAC的功率电子电路在线智能故障预测方法，属于功率电子电路故障测试的技术领域。本发明通过实时监测节点信号，小波去噪处理得到故障特征样本，提取电路性能参数，建立RS-CMAC模型预测未来时刻电路性能参数的时间序列。本发明结合了粗糙集理论，以及CMAC模型，利用粗糙集数据分析方法简化了CMAC模型的输入数据，提高了功率电子电路故障分析的效率。
文档编号G01R31/28GK102830341SQ201210309930
公开日2012年12月19日 申请日期2012年8月28日 优先权日2012年8月28日
发明者林华, 王友仁, 姜媛媛 申请人:南京航空航天大学